常用的推薦算法解析
轉(zhuǎn)載 2016年04月28日 15:40:24
標(biāo)簽：
算法 /
互聯(lián)網(wǎng) /
技術(shù)
**28858
前言隨著互聯(lián)網(wǎng)技術(shù)和社會(huì)化網(wǎng)絡(luò)的發(fā)展捅彻，每天有大量包括博客塌计，圖片犀勒，視頻摔笤，微博等等的信息發(fā)布到網(wǎng)上副女。傳統(tǒng)的搜索技術(shù)已經(jīng)不能滿足用戶對(duì)信息發(fā)現(xiàn)的需求蛤高，原因有多種，可能是用戶很難用合適的關(guān)鍵詞來描述自己的需求碑幅，也可能用戶需要更加符合他們興趣和喜好的結(jié)果戴陡，又或是用戶無法對(duì)自己未知而又可能感興趣的信息做出描述。推薦引擎的出現(xiàn)沟涨，可以幫用戶獲取更豐富恤批，更符合個(gè)人口味和更加有意義的信息。
個(gè)性化推薦根據(jù)用戶興趣和行為特點(diǎn)裹赴，向用戶推薦所需的信息或商品喜庞，幫助用戶在海量信息中快速發(fā)現(xiàn)真正所需的商品诀浪，提高用戶黏性，促進(jìn)信息點(diǎn)擊和商品銷售延都。推薦系統(tǒng)是基于海量數(shù)據(jù)挖掘分析的商業(yè)智能平臺(tái)雷猪，推薦主要基于以下信息：
l熱點(diǎn)信息或商品
l用戶信息，如性別晰房、年齡求摇、職業(yè)、收入以及所在城市等等
l用戶歷史瀏覽或行為記錄
l社會(huì)化關(guān)系個(gè)性化推薦算法
2.1. 基于人口統(tǒng)計(jì)學(xué)的推薦基于人口統(tǒng)計(jì)學(xué)的推薦機(jī)制（Demographic-based Recommendation）是一種最易于實(shí)現(xiàn)的推薦方法殊者，它只是簡單的根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度与境，然后將相似用戶喜愛的其他物品推薦給當(dāng)前用戶。
首先幽污，系統(tǒng)對(duì)每個(gè)用戶都有一個(gè)用戶 Profile 的建模嚷辅，其中包括用戶的基本信息，例如用戶的年齡距误，性別等等簸搞；然后，系統(tǒng)會(huì)根據(jù)用戶的 Profile 計(jì)算用戶的相似度准潭，可以看到用戶 A 的 Profile 和用戶 C 一樣趁俊，那么系統(tǒng)會(huì)認(rèn)為用戶 A 和 C 是相似用戶，在推薦引擎中刑然，可以稱他們是“鄰居”寺擂；最后，基于“鄰居”用戶群的喜好推薦給當(dāng)前用戶一些物品泼掠。
這種基于人口統(tǒng)計(jì)學(xué)的推薦機(jī)制的好處在于：
l因?yàn)椴皇褂卯?dāng)前用戶對(duì)物品的喜好歷史數(shù)據(jù)怔软，所以對(duì)于新用戶來講沒有“冷啟動(dòng)（Cold Start）”的問題。
l這個(gè)方法不依賴于物品本身的數(shù)據(jù)择镇，所以這個(gè)方法在不同物品的領(lǐng)域都可以使用挡逼，它是領(lǐng)域獨(dú)立的（domain-independent）。
然后腻豌，這個(gè)方法的缺點(diǎn)和問題就在于家坎，這種基于用戶的基本信息對(duì)用戶進(jìn)行分類的方法過于粗糙，尤其是對(duì)品味要求較高的領(lǐng)域吝梅，比如圖書虱疏，電影和音樂等領(lǐng)域，無法得到很好的推薦效果苏携。另外一個(gè)局限是做瞪，這個(gè)方法可能涉及到一些與信息發(fā)現(xiàn)問題本身無關(guān)卻比較敏感的信息，比如用戶的年齡等右冻，這些用戶信息不是很好獲取装蓬。
2.2. 基于內(nèi)容的推薦基于內(nèi)容的推薦是在推薦引擎出現(xiàn)之初應(yīng)用最為廣泛的推薦機(jī)制衩侥，它的核心思想是根據(jù)推薦物品或內(nèi)容的元數(shù)據(jù)，發(fā)現(xiàn)物品或者內(nèi)容的相關(guān)性矛物，然后基于用戶以往的喜好記錄，推薦給用戶相似的物品跪但。這種推薦系統(tǒng)多用于一些資訊類的應(yīng)用上履羞，針對(duì)文章本身抽取一些tag作為該文章的關(guān)鍵詞，繼而可以通過這些tag來評(píng)價(jià)兩篇文章的相似度屡久。
這種推薦系統(tǒng)的優(yōu)點(diǎn)在于：
l易于實(shí)現(xiàn)忆首，不需要用戶數(shù)據(jù)因此不存在稀疏性和冷啟動(dòng)問題。
l基于物品本身特征推薦被环，因此不存在過度推薦熱門的問題糙及。
然而，缺點(diǎn)在于抽取的特征既要保證準(zhǔn)確性又要具有一定的實(shí)際意義筛欢，否則很難保證推薦結(jié)果的相關(guān)性浸锨。豆瓣網(wǎng)采用人工維護(hù)tag的策略，依靠用戶去維護(hù)內(nèi)容的tag的準(zhǔn)確性版姑。
2.3. 基于關(guān)聯(lián)規(guī)則的推薦基于關(guān)聯(lián)規(guī)則的推薦更常見于電子商務(wù)系統(tǒng)中柱搜，并且也被證明行之有效。其實(shí)際的意義為購買了一些物品的用戶更傾向于購買另一些物品剥险〈险海基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)的首要目標(biāo)是挖掘出關(guān)聯(lián)規(guī)則，也就是那些同時(shí)被很多用戶購買的物品集合表制，這些集合內(nèi)的物品可以相互進(jìn)行推薦健爬。目前關(guān)聯(lián)規(guī)則挖掘算法主要從Apriori和FP-Growth兩個(gè)算法發(fā)展演變而來。
基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)一般轉(zhuǎn)化率較高么介，因?yàn)楫?dāng)用戶已經(jīng)購買了頻繁集合中的若干項(xiàng)目后娜遵，購買該頻繁集合中其他項(xiàng)目的可能性更高。該機(jī)制的缺點(diǎn)在于：
l計(jì)算量較大夭拌，但是可以離線計(jì)算魔熏，因此影響不大。
l由于采用用戶數(shù)據(jù)鸽扁，不可避免的存在冷啟動(dòng)和稀疏性問題蒜绽。
l存在熱門項(xiàng)目容易被過度推薦的問題。
2.4. 基于協(xié)同過濾的推薦協(xié)同過濾是一種在推薦系統(tǒng)中廣泛采用的推薦方法桶现。這種算法基于一個(gè)“物以類聚躲雅，人以群分”的假設(shè)，喜歡相同物品的用戶更有可能具有相同的興趣骡和∠嗔蓿基于協(xié)同過濾的推薦系統(tǒng)一般應(yīng)用于有用戶評(píng)分的系統(tǒng)之中相寇，通過分?jǐn)?shù)去刻畫用戶對(duì)于物品的喜好。協(xié)同過濾被視為利用集體智慧的典范钮科，不需要對(duì)項(xiàng)目進(jìn)行特殊處理唤衫，而是通過用戶建立物品與物品之間的聯(lián)系。
目前绵脯，協(xié)同過濾推薦系統(tǒng)被分化為兩種類型：基于用戶(User-based)的推薦和基于物品(Item-based)的推薦佳励。
2.4.1. 基于用戶的推薦基于用戶的協(xié)同過濾推薦的基本原理是，根據(jù)所有用戶對(duì)物品或者信息的偏好（評(píng)分）蛆挫，發(fā)現(xiàn)與當(dāng)前用戶口味和偏好相似的“鄰居”用戶群赃承，在一般的應(yīng)用中是采用計(jì)算“K-Nearest Neighboor”的算法；然后悴侵，基于這 K 個(gè)鄰居的歷史偏好信息瞧剖，為當(dāng)前用戶進(jìn)行推薦。
這種推薦系統(tǒng)的優(yōu)點(diǎn)在于推薦物品之間在內(nèi)容上可能完全不相關(guān)可免，因此可以發(fā)現(xiàn)用戶的潛在興趣抓于，并且針對(duì)每個(gè)用戶生成其個(gè)性化的推薦結(jié)果。缺點(diǎn)在于一般的Web系統(tǒng)中浇借，用戶的增長速度都遠(yuǎn)遠(yuǎn)大于物品的增長速度毡咏，因此其計(jì)算量的增長巨大，系統(tǒng)性能容易成為瓶頸逮刨。因此在業(yè)界中單純的使用基于用戶的協(xié)同過濾系統(tǒng)較少呕缭。
2.4.2. 基于物品的推薦基于物品的協(xié)同過濾和基于用戶的協(xié)同過濾相似，它使用所有用戶對(duì)物品或者信息的偏好（評(píng)分）修己，發(fā)現(xiàn)物品和物品之間的相似度恢总，然后根據(jù)用戶的歷史偏好信息，將類似的物品推薦給用戶睬愤∑拢基于物品的協(xié)同過濾可以看作是關(guān)聯(lián)規(guī)則推薦的一種退化，但由于協(xié)同過濾更多考慮了用戶的實(shí)際評(píng)分尤辱，并且只是計(jì)算相似度而非尋找頻繁集砂豌，因此可以認(rèn)為基于物品的協(xié)同過濾準(zhǔn)確率較高并且覆蓋率更高。
同基于用戶的推薦相比光督，基于物品的推薦應(yīng)用更為廣泛阳距，擴(kuò)展性和算法性能更好。由于項(xiàng)目的增長速度一般較為平緩结借，因此性能變化不大筐摘。缺點(diǎn)就是無法提供個(gè)性化的推薦結(jié)果。
兩種協(xié)同過濾，在基于用戶和基于物品兩個(gè)策略中應(yīng)該如何選擇呢咖熟？其實(shí)基于物品的協(xié)同過濾推薦機(jī)制是 Amazon 在基于用戶的機(jī)制上改良的一種策略圃酵，因?yàn)樵诖蟛糠值?Web 站點(diǎn)中，物品的個(gè)數(shù)是遠(yuǎn)遠(yuǎn)小于用戶的數(shù)量的馍管，而且物品的個(gè)數(shù)和相似度相對(duì)比較穩(wěn)定郭赐；同時(shí)基于物品的機(jī)制比基于用戶的實(shí)時(shí)性更好。但也不是所有的場景都是這樣的情況确沸，在一些新聞推薦系統(tǒng)中堪置，也許物品，也就是新聞的個(gè)數(shù)可能大于用戶的個(gè)數(shù)张惹，而且新聞的更新程度也有很快，所以它的相似度依然不穩(wěn)定岭洲。所以宛逗，推薦策略的選擇其實(shí)也和具體的應(yīng)用場景有很大的關(guān)系。
基于協(xié)同過濾的推薦機(jī)制是現(xiàn)今應(yīng)用最為廣泛的推薦機(jī)制盾剩，它有以下幾個(gè)顯著的優(yōu)點(diǎn)：
l它不需要對(duì)物品或者用戶進(jìn)行嚴(yán)格的建模雷激，而且不要求物品的描述是機(jī)器可理解的，所以這種方法也是領(lǐng)域無關(guān)的告私。
l這種方法計(jì)算出來的推薦是開放的屎暇，可以共用他人的經(jīng)驗(yàn)，很好的支持用戶發(fā)現(xiàn)潛在的興趣偏好驻粟。
然后而它也存在以下幾個(gè)問題：
l方法的核心是基于歷史數(shù)據(jù)根悼，所以對(duì)新物品和新用戶都有“冷啟動(dòng)”的問題。
l推薦的效果依賴于用戶歷史偏好數(shù)據(jù)的多少和準(zhǔn)確性蜀撑。
l在大部分的實(shí)現(xiàn)中挤巡，用戶歷史偏好是用稀疏矩陣進(jìn)行存儲(chǔ)的，而稀疏矩陣上的計(jì)算有些明顯的問題酷麦，包括可能少部分人的錯(cuò)誤偏好會(huì)對(duì)推薦的準(zhǔn)確度有很大的影響等等矿卑。
l對(duì)于一些特殊品味的用戶不能給予很好的推薦。
l由于以歷史數(shù)據(jù)為基礎(chǔ)沃饶，抓取和建模用戶的偏好后母廷，很難修改或者根據(jù)用戶的使用演變，從而導(dǎo)致這個(gè)方法不夠靈活糊肤。
3.推薦系統(tǒng)與廣告投放互聯(lián)網(wǎng)上的主題廣告推廣（例如琴昆，百度推廣，google adsense）的目標(biāo)在于實(shí)現(xiàn)一個(gè)面向用戶的個(gè)性化廣告投放系統(tǒng)馆揉。通過把個(gè)性化推薦算法在廣告投放中的應(yīng)用椎咧，就實(shí)現(xiàn)了我們個(gè)性化廣告投放的目標(biāo)。那么，這種演變是如何實(shí)現(xiàn)的呢勤讽？
在互聯(lián)網(wǎng)中蟋座，例如，百度脚牍，擁有大量的網(wǎng)頁信息向臀，而主題廣告推廣的對(duì)象不是用戶而是某一類型的頁面。通過類比诸狭，每種網(wǎng)頁類型對(duì)應(yīng)于推薦系統(tǒng)中的一個(gè)用戶券膀，而每一個(gè)廣告就對(duì)應(yīng)于推薦系統(tǒng)中的一個(gè)物品，網(wǎng)頁類型（用戶）對(duì)廣告（物品）的評(píng)分則可以用該網(wǎng)頁類型中投放廣告時(shí)的點(diǎn)擊情況來計(jì)算驯遇，這樣就構(gòu)成了一個(gè)user-item-rating的矩陣芹彬。也就是，通過協(xié)同過濾算法可以實(shí)現(xiàn)對(duì)不同類型的網(wǎng)頁進(jìn)行廣告推薦叉庐。
此外舒帮，實(shí)際應(yīng)用協(xié)同過濾算法來進(jìn)行廣告投放也存在一個(gè)些問題。例如陡叠，協(xié)同過濾中的“冷啟動(dòng)”問題玩郊，也就是新增廣告條目的推薦需要額外考慮；同時(shí)枉阵，也需要考慮用戶對(duì)廣告的接受程度译红，廣告庫存率等問題。
- 業(yè)界個(gè)性化推薦系統(tǒng)
4.1. Yahoo兴溜！Resarch - Web-ScaleRecommendation Systems2011推薦系統(tǒng)論壇中侦厚，來自Yahoo！的Yehuda Koren分享了他對(duì)于互聯(lián)網(wǎng)中推薦系統(tǒng)的經(jīng)驗(yàn)拙徽。在》中假夺，簡單介紹了目前廣泛流行的協(xié)同過濾推薦機(jī)制；另外分析了一些推薦系統(tǒng)中值得注意的一些問題：
lBias Matters
在實(shí)際的應(yīng)用中斋攀，用戶并不是隨機(jī)地選擇物品去打分已卷，而是只選擇那些和他們興趣相關(guān)的物品打分，絕大多數(shù)用戶往往忽略了去給那些沒有興趣的物品打分淳蔼。Koren通過分析Netflix Prize數(shù)據(jù)侧蘸，Koren發(fā)現(xiàn)用戶對(duì)視頻的評(píng)分變化中，Bias可以解釋其中的33%鹉梨，而個(gè)性化只能解釋其中的10%讳癌，剩下的57%暫時(shí)還得不到解釋。
lEliciting user feedback
Koren的目標(biāo)是解決推薦系統(tǒng)的cold-start問題存皂，例如晌坤，Yahoo逢艘！ Movie中，對(duì)于新用戶骤菠，很難預(yù)測他們的喜好（對(duì)視頻的評(píng)分）它改。那么，可以選一些視頻讓新用戶打分商乎，從而獲取他們的興趣數(shù)據(jù)央拖。在此過程中，使用了決策樹模型來引導(dǎo)用戶評(píng)分鹉戚，可以用盡量少的視頻鲜戒，最大程度地了解用戶興趣。
lEstimating confidence in recommendations
在推薦系統(tǒng)中抹凳，我們需要對(duì)被推薦物品的可信度進(jìn)行估計(jì)遏餐，從而得出更為可信的物品來進(jìn)行推薦。Koren在這里提出了基于概率的可信度計(jì)算方法赢底，也就是根據(jù)對(duì)評(píng)分（用戶對(duì)物品）的概率預(yù)測失都，然后利用熵，標(biāo)準(zhǔn)方差颖系，或是Gini不純度等概率分布來對(duì)物品可信度進(jìn)行評(píng)估。
4.2. 淘寶推薦系統(tǒng)淘寶推薦系統(tǒng)的目標(biāo)就是要為各個(gè)產(chǎn)品提供商品辩越，店鋪嘁扼，人，類目屬性各種維度的推薦黔攒。它的核心就是以類目屬性和社會(huì)屬性為紐帶趁啸，將人，商品和店鋪建立起聯(lián)系督惰。
淘寶的寶貝推薦原則：
l基于內(nèi)容的和關(guān)聯(lián)規(guī)則
l全網(wǎng)優(yōu)質(zhì)寶貝算分
l根據(jù)推薦屬性篩選TOP
l基于推薦屬性的關(guān)聯(lián)關(guān)系
l采用搜索引擎存儲(chǔ)和檢索優(yōu)質(zhì)寶貝
l加入個(gè)性化用戶信息
根據(jù)用戶的購買和收藏記錄產(chǎn)生可推薦的關(guān)聯(lián)規(guī)則不傅。對(duì)優(yōu)質(zhì)寶貝的算分需要考慮商品的相關(guān)屬性，包括描述赏胚，評(píng)價(jià)访娶，名稱，違規(guī)觉阅，收藏人氣崖疤，累計(jì)銷量，UV典勇，以及PV等等劫哼。此外，推薦系統(tǒng)根據(jù)用戶的瀏覽割笙，收藏权烧，購買行為以及反饋信息，在Hadoop上來計(jì)算用戶帶權(quán)重的標(biāo)簽，用于進(jìn)行個(gè)性化推薦般码。
那么妻率，淘寶是如何利用個(gè)性化推薦的結(jié)果呢？下圖展示了淘寶基于個(gè)性化推薦的5W營銷系統(tǒng)：
在個(gè)性化推薦之上侈询，淘寶還實(shí)現(xiàn)了基于內(nèi)容的廣告投放舌涨。由于個(gè)性化推薦出來的物品是用戶所感興趣的，可以想象扔字，基于此之上的廣告投放也應(yīng)該會(huì)行之有效囊嘉。
眾所周知，淘寶具有海量的數(shù)據(jù)和商品問題革为，這里列舉了淘寶數(shù)據(jù)的一些參數(shù)：超過8億種在線商品扭粱，100萬產(chǎn)品，4萬屬性震檩，等等琢蛤。在淘寶實(shí)現(xiàn)推薦系統(tǒng)可能遇到的各種各樣的難題，其中有：
l商品種類繁多抛虏，生命周期短博其，很難及時(shí)收集到足夠多的點(diǎn)擊或購買數(shù)據(jù)，這使得基于用戶行為的推薦方法迂猴，比如基于物品的推薦方法慕淡，發(fā)揮空間有限。
l因?yàn)樯唐肥怯少u家而非網(wǎng)站登記的沸毁，數(shù)據(jù)的規(guī)范性差峰髓，這又給基于內(nèi)容的推薦帶來了很大的困難。
l8億種商品中息尺，重復(fù)的商品種類應(yīng)該非常多携兵，需要盡量避免推薦重復(fù)種類的商品給用戶，但在數(shù)據(jù)規(guī)范性差搂誉、區(qū)分度差的情況下徐紧，如何歸并重復(fù)商品種類，這本身也是個(gè)很大的難題炭懊。
l大多數(shù)推薦系統(tǒng)只需要考慮如何滿足買家的需求浪汪，在淘寶，還要考慮賣家的需求凛虽。
4.3. 豆瓣的推薦引擎 - 豆瓣猜
豆瓣網(wǎng)在國內(nèi)互聯(lián)網(wǎng)行業(yè)美譽(yù)度很高死遭，這是一家以幫助用戶發(fā)現(xiàn)未知事物為己任的公司。它的“豆瓣猜”是一種個(gè)性化的推薦凯旋，其背后采用了基于用戶的協(xié)同過濾技術(shù)呀潭。那么钉迷，豆瓣猜是如何向我們推薦產(chǎn)品的呢？
首先钠署，確定什么樣的產(chǎn)品適合推薦糠聪？豆瓣猜提出選擇”具有媒體性的產(chǎn)品 (Media Product)“來進(jìn)行推薦，即選擇多樣谐鼎、口味很重要袭灯、單位成本不重要凭需，同時(shí)能夠廣泛傳播 (InformationCascade)的產(chǎn)品税稼；接著在對(duì)真實(shí)的數(shù)據(jù)集進(jìn)行定量分析后赞枕，進(jìn)一步得出，應(yīng)該是條目增長相對(duì)穩(wěn)定草戈、能夠快速獲得用戶反饋塌鸯，數(shù)據(jù)稀疏性與條目多樣性、時(shí)效性比較平衡的產(chǎn)品唐片，才是適合推薦的產(chǎn)品丙猬。
其次，豆瓣網(wǎng)的推薦引擎面對(duì)高成長性的挑戰(zhàn)费韭，通過降低存儲(chǔ)空間茧球，近似算法與分布式計(jì)算的設(shè)計(jì)，來實(shí)現(xiàn)對(duì)基于用戶的協(xié)同過濾推薦系統(tǒng)的線性擴(kuò)展星持。
最后抢埋，針對(duì)當(dāng)前推薦系統(tǒng)面臨的問題，包括傾向于給出平庸的推薦钉汗，有信息無結(jié)構(gòu)羹令，以及缺乏對(duì)用戶的持續(xù)關(guān)注等黑盒推薦問題鲤屡。豆瓣提出了分為 Prediction损痰，F(xiàn)orecasting，Recommendation 三個(gè)階段的下一代推薦系統(tǒng)酒来，并探討了一種下一代推薦引擎的構(gòu)想——基于用戶行為模型的卢未、有記憶的、可進(jìn)化的系統(tǒng)堰汉。
4.4. Hulu的個(gè)性化推薦Hulu是一家美國的視頻網(wǎng)站辽社，它是由美國國家廣播環(huán)球公司（NBC Universal）和福克斯廣播公司（Fox）在2007年3月共同投資建立的翘鸭。在美國滴铅，Hulu已是最受歡迎的視頻網(wǎng)站之一。它擁有超過250個(gè)渠道合作伙伴就乓，超過600個(gè)頂級(jí)廣告客戶汉匙，3千萬的用戶拱烁，3億的視頻，以及11億的視頻廣告噩翠。廣告是衡量視頻網(wǎng)站成功與否的一個(gè)重要標(biāo)準(zhǔn)戏自。事實(shí)證明，Hulu的廣告效果非常好伤锚，若以每千人為單位對(duì)廣告計(jì)費(fèi)擅笔，Hulu的所得比電視臺(tái)在黃金時(shí)段所得還高。那么屯援，是什么讓Hulu取得了這樣的成功呢猛们？
通過對(duì)視頻和用戶特點(diǎn)的分析，Hulu根據(jù)用戶的個(gè)人信息玄呛，行為模型和反饋阅懦，設(shè)計(jì)出一個(gè)混合的個(gè)性化推薦系統(tǒng)。它包含了基于物品的協(xié)同過濾機(jī)制徘铝，基于內(nèi)容的推薦耳胎，基于人口統(tǒng)計(jì)的推薦，從用戶行為中提煉出來的主題模型惕它，以及根據(jù)用戶反饋信息對(duì)推薦系統(tǒng)的優(yōu)化怕午，等等。此個(gè)性化推薦系統(tǒng)也進(jìn)而成為了一個(gè)產(chǎn)品淹魄，用于給用戶推薦視頻郁惜。這個(gè)產(chǎn)品通過問答的形式，與用戶進(jìn)行交互甲锡，獲取用戶的個(gè)人喜歡兆蕉，進(jìn)一步提高推薦的個(gè)性化。
Hulu把這種個(gè)性化推薦視頻的思想放到了廣告投放中缤沦，設(shè)計(jì)出了一套個(gè)性化廣告推薦系統(tǒng)虎韵。那么，這種廣告系統(tǒng)是如何實(shí)現(xiàn)個(gè)性化的呢缸废？
lHulu的用戶對(duì)廣告擁有一定控制權(quán)包蓝，在某些視頻中你可以根據(jù)自己的喜好選擇相應(yīng)的廣告，或者選擇在開頭看一段電影預(yù)告片來抵消廣告企量。
lHulu收集用戶對(duì)廣告的反饋意見（評(píng)分）测萎，例如，某個(gè)廣告是否對(duì)收看用戶有用届巩？
l根據(jù)人口統(tǒng)計(jì)的信息硅瞧，來投放廣告。例如恕汇，分析Hulu用戶的年齡腕唧，性別特征來同方不同的視頻及廣告冒嫡。
l根據(jù)用戶的行為模式，進(jìn)一步增加廣告投放的準(zhǔn)確性四苇。
